原文链接：http://tecdat.cn/?p=22617

本文提供了一个在统计模型中使用马可夫转换模型模型的例子，来复现Kim和Nelson（1999）中提出的一些结果。它应用了Hamilton（1989）的滤波器和Kim（1994）的平滑器。

%matplotlib inlineimport numpy as np
import pandas as pd
import statsmodels.api as smfrom pandas_datareader.data import DataReader
from datetime import datetimeDataReader(start=datetime(1947, 1, 1), end=datetime(2013, 4, 1))

Hamilton (1989) 马尔可夫转换模型（_Markov -switching_ _model_）

这是对Hamilton(1989)介绍马可夫转换模型（_Markov -switching_ _model_）的开创性论文的复现。该模型是一个4阶的自回归模型，其中过程的平均值在两个区制之间切换。可以这样写。

每个时期，区制都根据以下的转移概率矩阵进行转换。

其中 pij是从区制 i 转移到区制 j 的概率。

该模型类别是时间序列部分中的MarkovAutoregression。为了创建这个模型，我们必须指定k\_regimes=2的区制数量，以及order=4的自回归阶数。默认模型还包括转换自回归系数，所以在这里我们还需要指定switch\_ar=False。

创建后，模型通过极大似然估计进行拟合。使用期望最大化（EM）算法的若干步骤找到好的起始参数，并应用准牛顿（BFGS）算法来快速找到最大值。

\[2\]:
#获取数据
hamilton= pd.read('gndata').iloc\[1:\]# 绘制数据
hamilton.plot()# 拟合模型
Markovreg(hamilton)

summary()

我们绘制了经过过滤和平滑处理的衰退概率。滤波指的是基于截至并包括时间tt（但不包括时间t+1,...,Tt+1,...,T）的数据对时间t的概率估计。平滑化是指使用样本中的所有数据对时间t的概率进行估计。

fig, axes = plt.subplots(2, figsize=(7,7))
ax = axes\[0\]
ax.plot(margl_prob\[0\])ax = axes\[1\]
ax.plot(smoomarginal_pro\[0\])

根据估计的转移矩阵，我们可以计算出衰退与扩张的预期持续时间。

---

点击标题查阅往期内容

用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)股票指数预测实战

左右滑动查看更多

01

02

03

04

print(expected_du)

在这种情况下，预计经济衰退将持续约一年（4个季度），扩张约两年半。

Kim, Nelson, and Startz (1998) 三状态方差转换模型。

---

这个模型展示了带有区制异方差（方差转换）和无平均效应的估计。

模型是:

由于没有自回归成分，这个模型可以用MarkovRegression类来拟合。由于没有平均效应，我们指定趋势='nc'。假设转换方差有三个区制，所以我们指定k\_regimes=3和switching\_variance=True（默认情况下，方差被假定为在不同区制下是相同的）。

raw = pd.read_table(ew ,engine='python')# 绘制数据集
plot( figsize=(12, 3))

res_kns.summary()

下面我们绘制了处于每个区制中的概率；只有在少数时期，才有可能出现高_方差_区制。

fig, axes = plt.subplots(3, figsize=(10,7))ax.plot(smoothed_proba\[0\])
ax.plot(smoothed_proba\[2\])
ax.plot(smoothed_proba\[3\])

Filardo (1994) 时变的转移概率

这个模型展示了用时变的转移概率进行估计。

在上述模型中，我们假设转移概率在不同时期是不变的。在这里，我们允许概率随着经济状况的变化而变化。否则，该模型就是Hamilton（1989）的马尔可夫自回归。
每个时期，区制现在都根据以下的时变转移概率矩阵进行转移。

其中 pij,tipij,t 是在 t 期间从区制 i 转移到区制 j 的概率，并定义为。

与其将转移概率作为最大似然法的一部分进行估计，不如估计回归系数βij。这些系数将转移概率与预先确定的或外生的变量xt-1向量联系起来。

\[9\]:

# 用标准差进行标准化data\['p'\]\['1960-01-01':\].std() / data\['dlip'\]\[:'1959-12-01'\].std()# 绘制数据
data\['dlip'\].plot( )data\['dmdlleading'\].plot(  figsize=(13,3));

时变的转移概率是由exog_tvtp参数指定的。

这里我们展示了模型拟合的另一个特点--使用随机搜索的MLE起始参数。因为马尔科夫转换模型的特征往往是似然函数的许多局部最大值，执行初始优化步骤有助于找到最佳参数。

下面，我们规定对起始参数向量的20个随机扰动进行检查，并将最好的一个作为实际的起始参数。由于搜索的随机性，我们事先设置了随机数种子，以便结果复制。

markovreg(data, k=2, order=4)fit(search=20)
summary()

下面我们绘制了经济运行在低生产状态下的平滑概率，并再次将NBER的衰退情况纳入其中进行比较。

ax.plot(smoo\_marg\_prob\[0\])

利用时间变化的转移概率，我们可以看到低生产状态的预期持续时间如何随时间变化。

exp_dura\[0\].plot( figsize=(12,3));

在经济衰退期间，低生产状态的预期持续时间要比经济扩张时高得多。

---

点击文末“阅读原文”

获取全文完整资料。

本文选自《R语言极值理论：希尔HILL统计量尾部指数参数估计可视化》。

点击标题查阅往期内容

R语言马尔可夫MCMC中的METROPOLIS HASTINGS，MH算法抽样（采样）法可视化实例

python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化

Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现

Metropolis Hastings采样和贝叶斯泊松回归Poisson模型

Matlab用BUGS马尔可夫区制转换Markov switching随机波动率模型、序列蒙特卡罗SMC、M H采样分析时间序列

R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据

R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hasting采样时间序列分析

R语言Metropolis Hastings采样和贝叶斯泊松回归Poisson模型

R语言贝叶斯MCMC：用rstan建立线性回归模型分析汽车数据和可视化诊断

R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例

R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数

R语言用Rcpp加速Metropolis-Hastings抽样估计贝叶斯逻辑回归模型的参数

R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病

R语言中贝叶斯网络（BN）、动态贝叶斯网络、线性模型分析错颌畸形数据

R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归

Python贝叶斯回归分析住房负担能力数据集

R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析

Python用PyMC3实现贝叶斯线性回归模型

R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型

R语言Gibbs抽样的贝叶斯简单线性回归仿真分析

R语言和STAN,JAGS：用RSTAN,RJAG建立贝叶斯多元线性回归预测选举数据

R语言基于copula的贝叶斯分层混合模型的诊断准确性研究

R语言贝叶斯线性回归和多元线性回归构建工资预测模型

R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例

R语言stan进行基于贝叶斯推断的回归模型

R语言中RStan贝叶斯层次模型分析示例

R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化

R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较

R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样

R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例

R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化

视频：R语言中的Stan概率编程MCMC采样的贝叶斯模型

R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯估计